拉曼光谱分析技术以其无损、灵敏度高的优势,近年来被广泛应用在药物鉴别、食品安全检测、石油化工分析等领域。在血液种属鉴别方面,机器学习方法结合拉曼光谱技术的检测比传统分析方法更为便捷、准确。另外,由于拉曼光谱数据往往维度高且存在较多的冗余信息或噪声干扰等因素,对模型质量造成影响。文中借鉴集成学习方法抗噪声能力较强、稳定性较高的特性,提高血液种属鉴别模型的预测准确度,并利用特征波长选择改善模型运行效率,具体研究内容如下:(1)将随机森林算法与Ada Boost相结合提出了RF＿Ada Boost血液种属鉴别方法。采用随机森林算法作为Ada Boost框架的弱分类器,在模型迭代过程中不断自适应调整样本分布和权重,最终训练成为性能优良的强分类器。文中以血液拉曼光谱数据为实例,以RF、SVM、ELM、KELM、BP以及SAE作为对比方法,并在不同规模训练集下进行人类和非人类血液种属鉴别实验,实验结果表明,RF＿Ada Boost方法能够表现出较高的分类准确度和较强的稳定性。(2)将思维进化算法优化的BP神经网络与Bagging相结合提出了MEABP＿Bagging血液种属鉴别方法。使用思维进化算法参数寻优的结果初始化BP神经网络,缩短网络训练时间并避免其陷入局部最优值影响模型质量,进而利用Bagging框架构建集成模型,改善其稳定性并减小泛化误差。将MEABP、BP、SAE、SVM、ELM以及KELM作为对比方法分别进行血液种属二分类及多分类鉴别实验,结果表明,MEABP＿Bagging方法得到的鉴别准确度和稳定性在所有实验模型中均能达到最优。(3)将最小角回归与连续投影算法相结合提出了LAR-SPA拉曼光谱特征波长选择方法。采用最小角回归算法和连续投影算法分两阶段对拉曼光谱数据进行特征波长选择,以达到降低光谱数据维度并减少数据冗余的目的。将全波长、CARS、UVE、LAR以及SPA作为对比方法分别在药品和血液拉曼光谱数据集上对模型性能进行验证,结果表明,LAR-SPA模型能够有效实现特征波长选择并提高建模质量。